信控交叉口電動(dòng)汽車駕駛行為特征分析*

毛 喆 胡 宸 黃 衍

（1. 武漢理工大學(xué)智能交通系統(tǒng)研究中心 武漢 430063；2. 武漢理工大學(xué)國(guó)家水運(yùn)安全工程技術(shù)研究中心 武漢 430063）

0 引 言

隨著能源的日漸枯竭，以電動(dòng)汽車為代表的新能源汽車保有量持續(xù)增高。根據(jù)中國(guó)汽車工業(yè)協(xié)會(huì)發(fā)布的汽車全年產(chǎn)銷數(shù)據(jù)，我國(guó)2020年全年各類型汽車的總銷量是2 531.1 萬(wàn)輛，同比增速約2%。其中新能源汽車銷量是136.7 萬(wàn)輛，同比增長(zhǎng)了10.9%，電動(dòng)汽車的銷量約為111.5萬(wàn)輛，其占新能源汽車總銷量的主要比重，增長(zhǎng)速度超過10%。相比之下，傳統(tǒng)燃油車的銷量不增反降[1]。由于《新能源汽車產(chǎn)業(yè)發(fā)展規(guī)劃（2021—2035年）》的發(fā)布，預(yù)計(jì)至2025 年電動(dòng)汽車的銷量將持續(xù)增長(zhǎng)。至2018 年底我國(guó)新能源汽車萬(wàn)車事故率為5.69次/萬(wàn)車，萬(wàn)車死亡率為1.06人/萬(wàn)車；至2019年底萬(wàn)車事故率陡增到11.59次/萬(wàn)車，萬(wàn)車死亡率也隨之漲到2.10人/萬(wàn)車；而這2項(xiàng)數(shù)據(jù)在2020年底又分別上漲到12.47次/萬(wàn)車和2.11 人/萬(wàn)車[2]。從上述數(shù)年的數(shù)據(jù)統(tǒng)計(jì)可知，新能源汽車事故數(shù)以及死亡人數(shù)的年平均增長(zhǎng)率高達(dá)171%和157%，每一年都保持上升的趨勢(shì)。

道路交叉口作為交通事故發(fā)生率較高的場(chǎng)所之一，由于其復(fù)雜多樣性一直對(duì)駕駛?cè)思捌漶{駛行為提出很高的要求。所以，出現(xiàn)在道路交叉口的車輛運(yùn)行狀態(tài)和駕駛行為等也一直是業(yè)界諸多學(xué)者們感興趣和研究的方向。唐克雙等[3]通過對(duì)交叉口的車輛運(yùn)行狀態(tài)進(jìn)行視頻拍攝，提取交叉口相位切換期間的加減速變化行為，利用加減速度、加減速度變化率等指標(biāo)在識(shí)別車輛危險(xiǎn)駕駛行為同時(shí)進(jìn)行分類，并對(duì)其特征進(jìn)行分析。馮仁科等[4]通過實(shí)車實(shí)驗(yàn)采集車輛的各類數(shù)據(jù)及駕駛?cè)说男纳矸磻?yīng)，將二者關(guān)聯(lián)起來，建立了駕駛?cè)嗽诮徊婵跁r(shí)車輛最大減速度與心生理變化的關(guān)系模型，并對(duì)車輛通過交叉口危險(xiǎn)程度進(jìn)行分級(jí)。Almallah 等[5]通過信號(hào)交叉口的監(jiān)控視頻采集到的數(shù)據(jù)，分析了車輛剛通過交叉口時(shí)加速期間的數(shù)據(jù)，建立關(guān)聯(lián)，分析其互相作用的原因。魏福祿等[6]采集了信號(hào)交叉口左轉(zhuǎn)車輛的相關(guān)數(shù)據(jù)，從道路線形的角度來研究車輛在交叉口的運(yùn)行狀態(tài)，得出結(jié)論：隨著轉(zhuǎn)彎半徑的增大、車輛速度也會(huì)相應(yīng)增大。白婧榮等[7]結(jié)合實(shí)際車輛行駛環(huán)境，以是否存在縱向減速標(biāo)線為變量，采集山區(qū)城市道路不同交叉口的道路條件、交通狀態(tài)、車輛狀態(tài)、駕駛?cè)松碇笜?biāo)等數(shù)據(jù)，對(duì)二者進(jìn)行對(duì)比分析，發(fā)現(xiàn)2種不同類型的交叉口的交通安全性有所差異，縱向減速標(biāo)線的設(shè)置有利于提醒駕駛?cè)嗽诘竭_(dá)交叉口前作出減速動(dòng)作，控制車速，提升交叉口安全性。Zhu等[8]以車輛的加速減速行為為研究對(duì)象，分析了當(dāng)信號(hào)相位切換時(shí)車輛的加速減速狀態(tài)，為了消減信號(hào)相位切換對(duì)交通狀況造成的不良影響，建立模型對(duì)車速進(jìn)行優(yōu)化。江澤浩[9]采用模擬駕駛實(shí)驗(yàn)研究了綠燈倒計(jì)時(shí)對(duì)機(jī)動(dòng)車微觀駕駛行為影響，通過隨機(jī)效應(yīng)Logistic 模型，證明速度、距離等對(duì)車輛決策行為有顯著影響。雷朝陽(yáng)等[10]針對(duì)信控區(qū)的通行延誤高和效率低的問題，通過多目標(biāo)粒子群算法獲得最優(yōu)車速，建立了車速引導(dǎo)模型，并對(duì)其進(jìn)行驗(yàn)證。Liao 等[11]采用最優(yōu)控制思想，對(duì)交叉口類型和減速行為進(jìn)行分類，利用分層控制，研究不同類型下的交叉口的減速停車行為，并構(gòu)建了表征不同類型交叉口的駕駛行為模型。Aswad-Mohammed[12]采集了駕駛?cè)说囊曈X數(shù)據(jù)，對(duì)信號(hào)交叉口的視覺注意力進(jìn)行研究，將其與停車時(shí)間、車頭時(shí)距以及跟車類型進(jìn)行關(guān)聯(lián)，從而分析出生理狀態(tài)與駕駛行為間的相互作用。為了對(duì)駕駛?cè)思铀龠^程進(jìn)行研究，Wallace 等[13]提取加速事件中的加速度值，研究最大加速度與平均加速度之前的關(guān)系；Bosetti 等[14]對(duì)縱向加速度與速度之間的關(guān)聯(lián)性進(jìn)行了分析。

由于電動(dòng)汽車與傳統(tǒng)燃油車在動(dòng)力構(gòu)造上的不同，導(dǎo)致其駕駛?cè)笋{駛車輛時(shí)表現(xiàn)出的駕駛行為不盡相同。速度與加速度是最為直觀表現(xiàn)車輛微觀運(yùn)動(dòng)的特征參數(shù)。現(xiàn)階段信控交叉口的駕駛行為的研究對(duì)象以傳統(tǒng)燃油汽車為主，未考慮電動(dòng)汽車的特殊構(gòu)造對(duì)駕駛?cè)嗽谛趴亟徊婵诘鸟{駛行為產(chǎn)生的影響，因此本研究對(duì)于抵近到駛出信號(hào)交叉口時(shí)電動(dòng)汽車駕駛?cè)说鸟{駛行為與其表現(xiàn)出的特征進(jìn)行分析，為跟馳模型及微觀交通仿真提供參數(shù)的標(biāo)定值，對(duì)電動(dòng)汽車混行交通的安全管理具有一定的參考價(jià)值。

1 自然駕駛數(shù)據(jù)采集

1.1 實(shí)驗(yàn)設(shè)計(jì)

1.1.1 實(shí)驗(yàn)車輛選擇

在自然駕駛實(shí)驗(yàn)中，為了充分考慮車輛運(yùn)行過程的隨機(jī)性和行駛路段的多樣性，本文主要考慮的電動(dòng)車輛類型為出租車與網(wǎng)約車。經(jīng)過調(diào)研發(fā)現(xiàn)，武漢市普通網(wǎng)約車的年平均行駛里程一般為50000～120000km，月均行駛里程為4200～10000km；出租車的年平均行駛里程為80 000～100 000 km，月均行駛里程較為穩(wěn)定，一般為7 000～8 000 km，相比較而言，網(wǎng)約車出車率浮動(dòng)較大，存在待出租的閑置情況，相比較之下出租車出車率更穩(wěn)定。因此，本文選擇某出租公司20 臺(tái)鎳鈷錳酸鋰電池的純電動(dòng)出租車作為實(shí)驗(yàn)車輛，如圖1。

圖1 實(shí)驗(yàn)車輛—純電動(dòng)出租車Fig.1 Experimental vehicle-pure electric taxi

1.1.2 被試人員選擇

參與本次自然駕駛實(shí)驗(yàn)的被試人員篩選標(biāo)準(zhǔn)如下：

1）有駕照，駕齡在5年以上，并且熟知交通法規(guī)。

2）身體健康，最近5年內(nèi)無重大疾病史。

3）無酗酒等不良嗜好。

根據(jù)上述篩選條件，選擇了20 名被試人員（其中，男16名，女4名）參與本次實(shí)驗(yàn)，被試人員具體的人口統(tǒng)計(jì)學(xué)特征見表1。

表1 被試的人口統(tǒng)計(jì)學(xué)特征Tab.1 Statistical characteristics of experimenters

1.1.3 實(shí)驗(yàn)過程

根據(jù)前文的分析，確定了實(shí)驗(yàn)車輛與被試人員，本次實(shí)驗(yàn)為自然駕駛實(shí)驗(yàn)，在武漢市市區(qū)內(nèi)城市道路上開展。實(shí)驗(yàn)過程中不對(duì)實(shí)驗(yàn)路線進(jìn)行具體限定，亦不告知被試人員實(shí)驗(yàn)?zāi)康模{駛過程不對(duì)被試進(jìn)行額外的操作規(guī)范限定，不對(duì)被試的駕駛行為做任何干預(yù)，均屬于被試自然駕駛習(xí)慣下的行為。被試自由駕駛實(shí)驗(yàn)車輛，在城市道路上行駛。車輛啟動(dòng)時(shí)，數(shù)據(jù)采集設(shè)備自動(dòng)通電開啟，車輛運(yùn)行數(shù)據(jù)開始采集，車輛熄火時(shí)，數(shù)據(jù)采集設(shè)備自動(dòng)關(guān)閉，停止數(shù)據(jù)采集。

1.2 實(shí)驗(yàn)數(shù)據(jù)采集與提取

1.2.1 數(shù)據(jù)采集與存儲(chǔ)

高質(zhì)量的數(shù)據(jù)信息能更好地反映車輛的瞬態(tài)信息，本研究通過定制開發(fā)的高級(jí)駕駛輔助系統(tǒng)(advanced driving assistance system，ADAS)對(duì)駕駛行為數(shù)據(jù)進(jìn)行采集。該系統(tǒng)通過接入車輛CAN 總線獲取本實(shí)驗(yàn)所需的駕駛行為數(shù)據(jù)，包括車速和縱向加速度等，采集頻率為10 Hz，并以txt 文件格式保存；ADAS中的攝像頭同時(shí)采集車輛行駛時(shí)交通環(huán)境的連續(xù)視頻，視頻數(shù)據(jù)以mp4文件格式保存。同時(shí)，駕駛行為數(shù)據(jù)與視頻數(shù)據(jù)可通過采集/拍攝時(shí)間進(jìn)行同步。

1.2.2 數(shù)據(jù)采集

本次自然駕駛實(shí)驗(yàn)共收集了20臺(tái)實(shí)驗(yàn)車輛，5 d內(nèi)在市區(qū)內(nèi)自然駕駛的數(shù)據(jù)，剔除部分缺失的數(shù)據(jù)，本次采集數(shù)據(jù)總時(shí)長(zhǎng)共計(jì)396 h。由于本實(shí)驗(yàn)場(chǎng)景為信號(hào)燈控制的路口，因此對(duì)獲得的數(shù)據(jù)進(jìn)行片段提取。實(shí)驗(yàn)中車輛駕駛行為分析階段的數(shù)據(jù)提取片段見圖2，t1至t2時(shí)間段為減速時(shí)間，即車輛在達(dá)到停止線前，車速由停止前峰值降為0的時(shí)間段，t2至t3為車輛在停止線前等待的時(shí)間，t3至t4為車輛由停止線啟動(dòng)加速，速度由0 達(dá)到啟動(dòng)后峰值的時(shí)間段。根據(jù)完整的加速、停止、加速過程共提取數(shù)據(jù)片段430條。

圖2 車輛駕駛行為分析階段Fig.2 Vehicl e driving behavior analysis stage

1.2.3 數(shù)據(jù)篩選

交通堵塞情況下道路交叉口的實(shí)驗(yàn)數(shù)據(jù)不在本次的研究范圍內(nèi)，原因在于發(fā)生交通堵塞時(shí)，被試駕駛?cè)藭?huì)頻繁及無規(guī)律的切換操縱加速踏板和制動(dòng)踏板，而此類加減速行為受到道路交叉口實(shí)際擁堵狀況、前車行駛狀態(tài)、駕駛?cè)藢?shí)際駕駛判斷的影響更大，導(dǎo)致在此種情況下無法較為準(zhǔn)確的反映出駕駛?cè)说淖匀患?、減速行為特征，故該段實(shí)驗(yàn)數(shù)據(jù)可不納入分析范圍。當(dāng)被試在信號(hào)交叉口等待通行時(shí)，如停止線前有其他車輛在等待，當(dāng)綠燈變亮后，被試的駕駛行為受前方車輛行駛狀態(tài)干擾較大，因此只保留被試駕駛的車輛位于信號(hào)交叉口車輛停止線第一位的實(shí)驗(yàn)數(shù)據(jù)。獲取實(shí)驗(yàn)片段后，對(duì)照ADAS 中的攝像頭獲取的視頻數(shù)據(jù)，根據(jù)以上標(biāo)準(zhǔn)，人工進(jìn)行片段篩選。實(shí)驗(yàn)片段中主要包含車輛在運(yùn)行過程中的速度、加速度等數(shù)據(jù)，通過確定了汽車在交叉口的停車點(diǎn)位，即車速曲線為零的點(diǎn)位，截取其前后的速度曲線波峰點(diǎn)分別作為減速行為開始點(diǎn)和加速行為結(jié)束點(diǎn)，此為車輛在信號(hào)交叉口的數(shù)據(jù)采集范圍，如圖3。通過以上標(biāo)準(zhǔn)進(jìn)行篩選后，最終共篩選出96條減速數(shù)據(jù)和78條加速數(shù)據(jù)。

圖3 信號(hào)交口速度加速度數(shù)據(jù)示例Fig.3 Example of speed and acceleration at signalized intersection

2 信號(hào)交叉口電動(dòng)汽車縱向加速度特征分析

本文主要研究?jī)?nèi)容為電動(dòng)汽車駕駛?cè)嗽谛盘?hào)控制交叉口時(shí)的車輛加速起步和減速停車的駕駛行為，利用汽車在交叉口的縱向加、減速度值，將駕駛?cè)嗽谶M(jìn)入信號(hào)控制交叉口后的駕駛行為分為加速行為與減速行為。

2.1 縱向加速度累積頻率分析

將實(shí)驗(yàn)中采集的被試在信號(hào)交叉口減速至停止與從停止到起步加速的過程中的縱向加速度進(jìn)行平均計(jì)算，得到被試在通過信號(hào)交叉口過程中的平均減速度、平均加速度值，同時(shí)提取整個(gè)過程中縱向加速度的峰值加速度、峰值減速度，按照絕對(duì)值大小排列后繪制平均加/減速度和峰值加/減速度的累積頻率曲線，如圖4 所示。由圖4 可知：整體減速度累積頻率曲線均高于加速度累積頻率曲線。當(dāng)累積頻率較低時(shí)，平均減速度與平均加速度有重合部分，隨著累計(jì)頻率的增高二者之間的差距逐漸緩慢增大，而峰值加速度則始終大于峰值減速度。電動(dòng)汽車在加速過程中電機(jī)的轉(zhuǎn)速轉(zhuǎn)矩特性使電機(jī)在不需要預(yù)熱的情況下直接啟動(dòng)，并且很快達(dá)到需求轉(zhuǎn)速，達(dá)到較高的加速度，因此加速度的值會(huì)大于減速度值[15-16]。

圖4 信號(hào)交叉口縱向加/減速度累計(jì)頻率曲線Fig.4 Cumulative frequency curves of longitudinal acceleration at signalized intersection

龍巖松等[17]利用傳統(tǒng)燃油車的自然駕駛實(shí)驗(yàn)數(shù)據(jù)，觀察車輛在信號(hào)交叉口的加速度特性，其結(jié)論為平均值、峰值減速度累積頻率曲線均低于加速度累積頻率曲線。減速度的幅值主要是由路面摩擦系數(shù)決定，而加速度幅值由發(fā)動(dòng)機(jī)輸出扭矩和傳動(dòng)扭矩決定，對(duì)于傳統(tǒng)燃油車來說，其能夠達(dá)到的最大加速度遠(yuǎn)小于最大制動(dòng)減速度。該結(jié)論與本研究結(jié)論完全不同，說明電動(dòng)汽車與傳統(tǒng)燃油車在動(dòng)力構(gòu)造上的差異導(dǎo)致其駕駛行為亦存在差異。電動(dòng)汽車具備的動(dòng)力回收系統(tǒng)，使得部分駕駛?cè)藭?huì)依賴動(dòng)力回收系統(tǒng)，減少踩剎車踏板頻率和次數(shù)而達(dá)到車輛減速效果[18]，在動(dòng)力回收系統(tǒng)和制動(dòng)系統(tǒng)的雙重作用下達(dá)到平穩(wěn)駕駛目的。

2.2 縱向加速度概率分布分析

實(shí)驗(yàn)中采集了在信號(hào)交叉口減速至停止與從停止到起步加速的過程中，被試駕駛車輛的縱向加速度數(shù)據(jù)，并繪制縱向加速度概率分布曲線，如圖5所示，平均加速度、平均減速度曲線均呈正偏態(tài)分布，平均減速度與峰值減速度的概率分布曲線中的偏好值均小于平均加速度與峰值加速度的偏好值?？v向加速度值較小時(shí)，減速度大于加速度值；然而縱向加速度值較高時(shí)，加速度值高的概率大于減速度，這說明電動(dòng)汽車駕駛?cè)思铀龠^程中更容易采用較高的加速度值，這與電動(dòng)汽車動(dòng)力構(gòu)造特征密不可分。龍巖松等[19]在針對(duì)燃油車的研究中發(fā)現(xiàn)，當(dāng)縱向加速度超過偏好值時(shí)，減速度明顯大于加速度，與本研究的結(jié)論相反。

圖5 縱向加/減速度概率分布曲線Fig.5 Probability distribution curves of longitudinal acceleration

2.3 縱向加速度特征值分析

通過獲得的縱向加速度數(shù)據(jù)，提取其統(tǒng)計(jì)值和特征分位值，見表2。縱向加速度的特征分位值可以為信號(hào)交叉口微觀仿真提供參數(shù)標(biāo)定參考值，也可以為城市道路運(yùn)行速度模型中加、減速度的參數(shù)標(biāo)定提供一定的參考。

表2 縱向加速度的統(tǒng)計(jì)值和特征分位值Tab.2 Statistics and characteristic percentiles of longitudinal acceleration單位：m/s2

目前，各類道路交通設(shè)施的設(shè)計(jì)均采用第85%分位的駕駛行為參數(shù)作為控制依據(jù)，大多數(shù)學(xué)者對(duì)駕駛行為的研究也是基于第85%分位值，理由是用于描述駕駛行為的速度、加速度等參數(shù)的累積頻率曲線斜率一般在第85%分位發(fā)生突變[20]。對(duì)本文圖4中的累積頻率曲線的斜率進(jìn)行計(jì)算，在第85%分位左右平均加速度累積頻率曲線的斜率產(chǎn)生不平穩(wěn)的變化，意味著大于此位置平均加速度的數(shù)據(jù)較少。而平均減速度、峰值加速度、峰值減速度的累積頻率曲線斜率突變點(diǎn)均為第90%附近。因此，對(duì)于電動(dòng)汽車而言，采用第85%～90%分位的特征值對(duì)信號(hào)交叉口縱向加速度進(jìn)行表征。

本節(jié)從縱向加速度的累積頻率、概率分布和特征值3 個(gè)方面進(jìn)行分析，通過累積頻率可以得知駕駛?cè)嗽谛盘?hào)控制交叉口加減速行為的縱向加速度值的中位值等不同的分位值，對(duì)道路設(shè)計(jì)、仿真參數(shù)標(biāo)定都具有研究意義，概率分布則表征了電動(dòng)汽車駕駛?cè)思铀俣鹊母怕?，反映出電?dòng)汽車駕駛?cè)说钠?，也從?cè)面表現(xiàn)出電動(dòng)汽車的動(dòng)力學(xué)特性。

3 信號(hào)交叉口電動(dòng)汽車速度特征分析

3.1 速度與距停止線距離關(guān)聯(lián)分析

抵近信號(hào)交叉口時(shí)，車輛的減速行為是駕駛?cè)烁鶕?jù)道路狀況、停車距離進(jìn)行預(yù)判，而使得車輛能夠安全穩(wěn)定的在停止線前速度降為0的過程。提取所有被試駕駛?cè)嗽谛盘?hào)交叉口前的減速初速度和減速距離，繪制散點(diǎn)圖，并對(duì)散點(diǎn)數(shù)據(jù)進(jìn)行線性擬合。減速距離與初速度關(guān)系擬合見式（1），其相關(guān)系數(shù)R2=0.679，加速距離與穩(wěn)定速度關(guān)系擬合見式（2）,其R2=0.683。

如圖6（a）所示，當(dāng)初速度為較低水平時(shí)，速度點(diǎn)集中在擬合線型的附近，當(dāng)初速度逐漸增大時(shí)，散點(diǎn)的離散程度也隨之增大。當(dāng)初速度越大時(shí)，所需要的減速距離越長(zhǎng)，在減速過程中，速度的變化差異性增大，因此初速度越高，散點(diǎn)的離散程度越大。原因在于：速度較大時(shí)，駕駛?cè)藢?duì)距離的把控更加敏感，在距離停車線仍有一定距離時(shí)會(huì)提前開始減速行為，且駕駛?cè)藭?huì)依據(jù)前車的加減速行為對(duì)本車速度進(jìn)行調(diào)整。此結(jié)論與張高峰等[21]利用無人機(jī)采集的城市交叉口交通視頻數(shù)據(jù)得出的車輛時(shí)空?qǐng)D中結(jié)論一致，車輛距停車線越近，即減速距離越短，其減速初速度越小。

遠(yuǎn)離信號(hào)交叉口時(shí)，車輛的加速行為是1 個(gè)加速度持續(xù)變化直到達(dá)到穩(wěn)定的行駛速度的過程。如圖6（b）所示，當(dāng)穩(wěn)定速度較低時(shí)，散點(diǎn)的分布較為集中，與較高的穩(wěn)定速度水平相比當(dāng)速度達(dá)到中等水平時(shí)，穩(wěn)定速度與加速距離的散點(diǎn)反而更加分散。原因在于：加速距離短時(shí)，表明此時(shí)交叉口交通流較大，駕駛?cè)藶楸ＷC安全，無法長(zhǎng)時(shí)間持續(xù)加速，穩(wěn)定速度為中等速度時(shí)，加速距離散點(diǎn)較分散，意味著此時(shí)道路交通狀況對(duì)加速距離的影響較大，散點(diǎn)在速度為40～60 km/h區(qū)間分布密集，表明此為城市道路的合理車速。

圖6 速度與距停止線距離關(guān)系Fig.6 Relationship between speed and distance from stop line

3.2 速度與加速度關(guān)聯(lián)分析

將所有被試車輛的行駛速度與縱向加速度實(shí)測(cè)數(shù)據(jù)繪制散點(diǎn)圖，并繪出第5%，50%，95%分位加速度曲線，如圖7。由圖7 可知：信控交叉口整體縱向加速度呈橢圓分布，當(dāng)車速較低時(shí)，隨著車速的增大，制動(dòng)減速度也在增大，各散點(diǎn)逐漸發(fā)散，當(dāng)速度逐漸增大時(shí)，減速度處于波動(dòng)的狀態(tài)，緩慢減??；與此相似，當(dāng)車輛逐漸加速駛離信控交叉口，速度較低時(shí)，隨著車速的增大，加速度也在逐漸增大，車速處于中高速時(shí)，加速度以波動(dòng)的狀態(tài)緩緩減小。由此可知：電動(dòng)汽車駕駛?cè)藙傠x開停止線，開始加速時(shí)，趨向以較高的加速度開始加速，以求在更短的加速時(shí)間內(nèi)達(dá)到平穩(wěn)的行駛狀態(tài)，而在速度達(dá)到較高時(shí)，加速度減小，此時(shí)的車輛已經(jīng)趨近穩(wěn)定的行駛狀態(tài)，只需以較小的加速度以適應(yīng)交通狀況的變化。當(dāng)電動(dòng)汽車駕駛?cè)酥饾u抵近信號(hào)交叉口時(shí)，會(huì)首先采用較小的減速度，由于速度較快，此時(shí)離信控交叉口距離尚遠(yuǎn)，較小的減速度能夠使速度平穩(wěn)下降，接近停止線時(shí)根據(jù)實(shí)際狀況會(huì)采用合適的較大減速度，使車輛完全停止，以防過線。

圖7 縱向加速度分布隨速度變化關(guān)系Fig.7 Relationship between longitudinal acceleration distribution and velocity

4 結(jié)束語(yǔ)

本文通過電動(dòng)汽車自然駕駛實(shí)驗(yàn)數(shù)據(jù)，對(duì)電動(dòng)汽車駕駛?cè)嗽谛趴亟徊婵诘鸟{駛行為進(jìn)行了一定的分析，得到以下結(jié)論。

1）電動(dòng)汽車駕駛?cè)烁自诩铀龠^程中采用更高的加速度。當(dāng)累積頻率較低時(shí)，平均減速度與平均加速度有重合部分，隨后二者之間的差距隨著累計(jì)頻率的增高逐漸緩慢增大，而峰值加速度則始終大于平均加速度。這是由于電動(dòng)汽車在加速過程中電機(jī)的轉(zhuǎn)速轉(zhuǎn)矩特性可以使電機(jī)在不需要預(yù)熱的情況下直接啟動(dòng)，并且很快達(dá)到需求轉(zhuǎn)速，達(dá)到較高的加速度。

2）在第85%分位左右平均加速度累積頻率曲線的斜率產(chǎn)生突變，而平均減速度、峰值加速度、峰值減速度的累積頻率曲線斜率突變點(diǎn)均為第90%分位附近。因此，對(duì)于電動(dòng)汽車而言，建議采用第85%～90%分位的特征值對(duì)信號(hào)交叉口縱向加速度進(jìn)行表征。

3）駕駛?cè)嗽谛趴亟徊婵跍p速與加速行為與實(shí)時(shí)速度和離停止線的距離都有較為明顯的關(guān)系。且在接近和剛遠(yuǎn)離停車線時(shí)電動(dòng)汽車駕駛?cè)硕计貌捎幂^高值的縱向加速度。

道路交叉口的交通安全提升對(duì)于道路安全具有重要意義。本文對(duì)于信控交叉口電動(dòng)汽車駕駛行為的研究中，縱向加速度的特征分位值可以為信控交叉口微觀仿真研究中提供參數(shù)標(biāo)定參考值，在電動(dòng)汽車混行交通安全管理法及道路設(shè)計(jì)規(guī)范的制定提供借鑒。本研究中未考慮道路參數(shù)對(duì)電動(dòng)汽車駕駛行為的影響，且因?yàn)楦鞣矫鏃l件的制約，參與到實(shí)驗(yàn)中以作為樣本進(jìn)行統(tǒng)計(jì)的總量較少，在后續(xù)的研究中將從不同的道路類型來對(duì)電動(dòng)汽車駕駛?cè)嗽谛盘?hào)控制交叉口的駕駛行為進(jìn)行分類研究，并擴(kuò)大樣本數(shù)量，以期獲得更為準(zhǔn)確的結(jié)論。